Skip to content

Latest commit

 

History

History
121 lines (84 loc) · 10.6 KB

README_cn.md

File metadata and controls

121 lines (84 loc) · 10.6 KB
Raw

欢迎使用CCDeep！

English | 简体中文

一、快速开始

  1. 克隆此仓库到您喜欢的任意位置，并下载预训练好的模型。
  2. 使用conda创建一个合适的python虚拟环境CCDeep，如果您不介意污染系统环境，也可以省略这一步，直接使用系统python环境。如何创建虚拟环境请参见下面的详细安装教程。
  3. 激活刚才创建的虚拟环境，并安装一些依赖的包：pip install requirements.txt，其中有一些依赖包可能无法通过此命令顺利安装，下文有详细解决方案。如果此命令执行失败， 请按照顺序逐个执行pip install package 或者conda install package。
  4. 进入到您下载的源码中的CCDeep目录, 里面有一个main.py文件，您可以不提供任何参数来运行这个文件，这会告诉您如何使用这个package。您也可以下载一些示例图片来真正的执行它，下载示例图片请点击这里。将示例图片下载到合适的地方后， 执行 python main.py -bf [your example_of_dic.tif path] -pcna [your example_of_mcy.tif path] -o [your output file savepath]，或者在main.py所在目录下直接运行python .\main.py -bf ..\examples\images\example_of_dic.tif -pcna ..\examples\images\example_of_mcy.tif,不出意外您稍后就可以得到最终的单帧预测输出结果，您可以选择将其加载到VIA中可视化查看，也可以稍后转化为zip文件导入到ImageJ中查看。
  5. 更多内容请查看使用示例

二、安装

一、从仓库克隆源代码：https://github.com/frozenleaves/CCDeep.git到合适的位置
二、安装Anaconda3并配置虚拟环境

  1. 如果您的计算机没有安装anaconda3， 请从这里下载并安装，根据您的计算机系统不同，选择合适的版本安装即可。

  2. 安装完anaconda3后，如果是Windows系统，打开其中的Anaconda Powershell Prompt（从开始菜单栏可以找到），如果是Linux系统或者是mac系统，在安装完anaconda时将其加入到环境变量中，然后直接打开终端即可，如果没有加入环境变量，需要您手动添加。

  3. 使用conda create -n CCDeep python=3.7新建一个conda虚拟环境，并使用conda activate CCDeep来激活并使用这个环境。

  4. 如果您的电脑具有NVIDIA的GPU，并且您想要通过GPU来加速运算，请按照步骤三来安装tensorflow-GPU，以及相应的cudatoolkiit和cudnn，如果您不需要使用GPU或者电脑上没有NVIDIA的GPU，只需要安装tensorflowCPU版本即可。

  5. 请按照下面的命令顺序依次安装依赖的包：

    1. pip install tensorflow==2.4.0 (如果安装GPU版本，请首先按照步骤三安装相应的package，再安装下面的其他package)
    2. pip install stardist==0.8.3
    3. pip install opencv-python
    4. pip install scikit-image
    5. pip install matplotlib
    6. pip install tifffile
    7. pip install pylibtiff (如果安装报错，或者安装后运行报错，请下载wheel文件离线安装，wheel文件请从这里选择合适的版本下载。)
    8. pip install bitarray
    9. pip install trackpy
    10. pip install pandas
三、安装TensorFlow-GPU版本

如果您需要执行这一步，请确保您的虚拟环境是干净的，并且其中没有安装过numpy或者依赖numpy的package，否则可能会出现包依赖问题！ 如果您的python版本>3.7, 可能会出现tensorflow没有合适的版本，这个时候也许您应该降低python版本，或者自行适配tensorflow和cuda。

  1. 安装cudatoolkit：conda install cudatoolkit==11.0.221

  2. 安装cudnn：conda install cudnn==8.0.5.39 -c conda-forge

    注：这两个包请务必使用conda install package命令安装，因为它们不是python package， 无法在PyPI中索引。

  3. 安装tensorflow-gpu：pip install tensorflow-gpu==2.4.0。

    注：这一步请不要用conda install package命令完成，因为conda源并没有及时更新到合适的版本，可能会提示找不到源的问题。

  4. 测试cuda的可用性和兼容性：

    >>> import tensorflow as tf
2022-07-02 13:07:50.756143: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library libcudart.so.11.0
>>> tf.test.is_gpu_available()
2022-07-02 13:08:20.525184: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library libcuda.so.1
2022-07-02 13:08:21.247969: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1720] Found device 0 with properties:
pciBusID: 0000:18:00.0 name: NVIDIA GeForce RTX 3090 computeCapability: 8.6
coreClock: 1.695GHz coreCount: 82 deviceMemorySize: 23.70GiB deviceMemoryBandwidth: 871.81GiB/s
2022-07-02 13:08:21.248438: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1720] Found device 1 with properties:
pciBusID: 0000:3b:00.0 name: NVIDIA GeForce RTX 3090 computeCapability: 8.6
coreClock: 1.695GHz coreCount: 82 deviceMemorySize: 23.70GiB deviceMemoryBandwidth: 871.81GiB/s
2022-07-02 13:08:21.248838: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1720] Found device 2 with properties:
pciBusID: 0000:86:00.0 name: NVIDIA GeForce RTX 3090 computeCapability: 8.6
coreClock: 1.695GHz coreCount: 82 deviceMemorySize: 23.70GiB deviceMemoryBandwidth: 871.81GiB/s
2022-07-02 13:08:21.249213: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1720] Found device 3 with properties:
pciBusID: 0000:af:00.0 name: NVIDIA GeForce RTX 3090 computeCapability: 8.6
coreClock: 1.695GHz coreCount: 82 deviceMemorySize: 23.70GiB deviceMemoryBandwidth: 871.81GiB/s
2022-07-02 13:08:21.249257: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library libcudart.so.11.0
2022-07-02 13:08:21.276669: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library libcublas.so.11
2022-07-02 13:08:21.276817: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library libcublasLt.so.11
2022-07-02 13:08:21.292073: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library libcufft.so.10
2022-07-02 13:08:21.299397: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library libcurand.so.10
2022-07-02 13:08:21.323907: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library libcusolver.so.10
2022-07-02 13:08:21.329281: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library libcusparse.so.11
2022-07-02 13:08:21.331335: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library libcudnn.so.8
2022-07-02 13:08:21.333955: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1862] Adding visible gpu devices: 0, 1, 2, 3
2022-07-02 13:08:21.336478: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library libcudart.so.11.0
2022-07-02 13:08:25.106753: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1261] Device interconnect StreamExecutor with strength 1 edge matrix:
2022-07-02 13:08:25.106830: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1267]      0 1 2 3
2022-07-02 13:08:25.106849: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1280] 0:   N N N N
2022-07-02 13:08:25.106862: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1280] 1:   N N N N
2022-07-02 13:08:25.106875: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1280] 2:   N N N N
2022-07-02 13:08:25.106889: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1280] 3:   N N N N
2022-07-02 13:08:25.110906: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1406] Created TensorFlow device (/device:GPU:0 with 468 MB memory) -> physical GPU (device: 0, name: NVIDIA GeForce RTX 3090, pci bus id: 0000:18:00.0, compute capability: 8.6)
2022-07-02 13:08:25.114327: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1406] Created TensorFlow device (/device:GPU:1 with 22430 MB memory) -> physical GPU (device: 1, name: NVIDIA GeForce RTX 3090, pci bus id: 0000:3b:00.0, compute capability: 8.6)
2022-07-02 13:08:25.116215: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1406] Created TensorFlow device (/device:GPU:2 with 1250 MB memory) -> physical GPU (device: 2, name: NVIDIA GeForce RTX 3090, pci bus id: 0000:86:00.0, compute capability: 8.6)
2022-07-02 13:08:25.117281: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1406] Created TensorFlow device (/device:GPU:3 with 14009 MB memory) -> physical GPU (device: 3, name: NVIDIA GeForce RTX 3090, pci bus id: 0000:af:00.0, compute capability: 8.6)
True
>>>

    在终端的python交互界面运行这两行测试代码，如果有上面相同的输出，恭喜您成功安装了cuda并且它是可用的。如果您测试过程中Log信息长时间停留在某一行不再输出任何信息也不退出交互界面，例如交互界面停留在Successfully opened dynamic library libcurand.so.10，则是因为您安装的cudatoolkit和cudnn版本不兼容，需要重新安装。如果您的GPU为RTX3090或者以下，建议您按照我们推荐的版本安装，否则请您自行适配相应的版本。

四、安装中可能刚出现的问题以及解决方案

​ OSError: Failed to open file b'C:\\Users\\\xe6\x96\x87...\\ AppData\\Local\\Temp\\scipy-xxxxx，此问题原因为环境变量TEMP和TMP的路径存在中文，改为纯英文路径即可。

​ 如果遇到其他包依赖问题，根据错误提示进行相应的安装即可。

​ 为了兼容性起见，请首先安装cudatoolkit和cudnn，然后安装tensorflow，再安装其他package。

​ 有其他任何问题请上传issue。

三、开始使用

请参考我们的使用示例来开始使用，更多用法请参考API文档